什么是梯度方向和梯度大小

时间:2013-11-06 15:13:37

标签: computer-vision

我目前正在研究一种名为边缘检测的计算机视觉模块。 我试图理解渐变方向和渐变幅度的含义。

2 个答案:

答案 0 :(得分:95)

正如Dima answer所述,您应该熟悉gradient的数学概念,以便更好地理解图像处理领域的渐变。

我的回答基于此answer mevatronquestion

在这里,您可以在黑色背景上找到白色磁盘的简单初始图像:

enter image description here

您可以计算此图像渐变的近似值。正如Dima在他的回答中所解释的那样,你有两个渐变分量,一个水平和一个垂直分量。

以下图片显示水平分量:

enter image description here

它显示图像中的灰度级在水平方向上变化多少(它是正x的方向,从左到右扫描图像),此变化在图像的灰度级中被“编码”。水平分量:平均灰度级表示无变化,亮度级别表示从暗值变为亮值,暗级表示从亮值变为暗值。因此,在上面的图像中,您会看到圆圈左侧的值更亮,因为它位于初始图像的左侧部分,您具有从黑到白的过渡,从而为您提供磁盘的左边缘;类似地,在上面的图像中,您会看到圆圈右侧的较暗值,因为它位于初始图像的右侧,您具有白色到黑色的过渡,从而为您提供磁盘的右边缘。在上图中,磁盘的内部和背景处于平均灰度级,因为磁盘内部和后台没有变化。

我们可以对垂直分量进行类似的观察,它显示图像在垂直方向上的变化,即从顶部到底部扫描图像:

enter image description here

现在,您可以组合这两个组件,以获得渐变的大小和渐变的方向。

以下图片是渐变的大小:

enter image description here

同样,在上图中,初始图像的变化以灰度级编码:在这里,您看到白色表示初始图像的高度变化,而黑色表示根本没有变化。 因此,当您查看渐变幅度的图像时,您可以说“如果图像是明亮的,则意味着初始图像发生了很大的变化;如果它是暗的则意味着没有变化或非常轻微的变化”。

以下图片是渐变的方向:

enter image description here

在上图中,方向再次被编码为灰度级:您可以将方向视为从图像的暗部分指向图像的明亮部分的箭头的角度;该角度指的是xy框架,其中x从左向右延伸,而y从上到下运行。在上图中,您可以看到从黑色(零度)到白色(360度)的所有灰度级。我们可以用颜色对信息进行编码:

enter image description here

在上图中,信息以这种方式编码:

红色:角度在0到90度

之间

青色:角度在90和180度之间

绿色:角度在180到270度之间

黄色:角度在270和360度之间

这是用于生成上述图像的C ++ OpenCV代码。

注意以下事实:为了计算方向,我使用函数cv::phase,正如doc中所解释的那样,当垂直两者时,它给出的角度为0分量和梯度的水平分量为零;这可能很方便但是从数学的角度来看显然是错误的,因为当两个组件都为零时,方向没有定义,并且保留在浮点C ++类型中的方向唯一有意义的值是NaN。 /强>

这显然是错误的,因为例如0度方向已经与水平边缘相关,并且它不能用于表示其他东西,例如没有边缘的区域,因此一个方向无意义的区域。

// original code by https://stackoverflow.com/users/951860/mevatron
// see https://stackoverflow.com/a/11157426/15485
// https://stackoverflow.com/users/15485/uvts-cvs added the code for saving x and y gradient component 

#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>

#include <iostream>
#include <vector>

using namespace cv;
using namespace std;

Mat mat2gray(const cv::Mat& src)
{
    Mat dst;
    normalize(src, dst, 0.0, 255.0, cv::NORM_MINMAX, CV_8U);

    return dst;
}

Mat orientationMap(const cv::Mat& mag, const cv::Mat& ori, double thresh = 1.0)
{
    Mat oriMap = Mat::zeros(ori.size(), CV_8UC3);
    Vec3b red(0, 0, 255);
    Vec3b cyan(255, 255, 0);
    Vec3b green(0, 255, 0);
    Vec3b yellow(0, 255, 255);
    for(int i = 0; i < mag.rows*mag.cols; i++)
    {
        float* magPixel = reinterpret_cast<float*>(mag.data + i*sizeof(float));
        if(*magPixel > thresh)
        {
            float* oriPixel = reinterpret_cast<float*>(ori.data + i*sizeof(float));
            Vec3b* mapPixel = reinterpret_cast<Vec3b*>(oriMap.data + i*3*sizeof(char));
            if(*oriPixel < 90.0)
                *mapPixel = red;
            else if(*oriPixel >= 90.0 && *oriPixel < 180.0)
                *mapPixel = cyan;
            else if(*oriPixel >= 180.0 && *oriPixel < 270.0)
                *mapPixel = green;
            else if(*oriPixel >= 270.0 && *oriPixel < 360.0)
                *mapPixel = yellow;
        }
    }

    return oriMap;
}

int main(int argc, char* argv[])
{
    Mat image = Mat::zeros(Size(320, 240), CV_8UC1);
    circle(image, Point(160, 120), 80, Scalar(255, 255, 255), -1, CV_AA);

    imshow("original", image);

    Mat Sx;
    Sobel(image, Sx, CV_32F, 1, 0, 3);

    Mat Sy;
    Sobel(image, Sy, CV_32F, 0, 1, 3);

    Mat mag, ori;
    magnitude(Sx, Sy, mag);
    phase(Sx, Sy, ori, true);

    Mat oriMap = orientationMap(mag, ori, 1.0);

    imshow("x", mat2gray(Sx));
    imshow("y", mat2gray(Sy));

    imwrite("hor.png",mat2gray(Sx));
    imwrite("ver.png",mat2gray(Sy));

    imshow("magnitude", mat2gray(mag));
    imshow("orientation", mat2gray(ori));
    imshow("orientation map", oriMap);
    waitKey();

    return 0;
}

答案 1 :(得分:21)

两个变量x,y的函数的梯度是x和y方向上的偏导数的矢量。因此,如果函数是f(x,y),则渐变是向量(f_x,f_y)。图像是(x,y)的离散函数,因此您还可以讨论图像的渐变。

图像的梯度有两个分量:x导数和y导数。因此,您可以将其视为在每个像素处定义的向量(f_x,f_y)。这些向量具有方向atan(f_y / fx)和幅度sqrt(f_x ^ 2 + f_y ^ 2)。因此,您可以将图像的渐变表示为x衍生图像和y衍生图像,或者作为方向图像和幅度图像。